江蘇北部地區冬季PM2.5污染天氣形勢分型研究*

史俊南 陸 岳 趙天良# 龔山陵 張 磊

(1.南京信息工程大學氣象災害預報預警與評估協同創新中心，中國氣象局氣溶膠與云降水重點實驗室，江蘇 南京 210044；2.中國氣象科學研究院，中國氣象局大氣化學重點開放實驗室，北京 100081)

大氣污染不僅受當地污染源排放的影響，也與氣象條件變化緊密相關。當區域污染排放源固定時，氣象條件是導致空氣質量變化的關鍵因素[1-4]。局地氣象條件主要受大尺度環流形勢，即天氣形勢的影響和制約。因此，研究天氣形勢對于大氣污染變化的影響具有重要的科學意義。

天氣形勢分型是研究大氣環流對于污染物濃度影響關系的重要手段。大氣污染天氣形勢分型主要是針對海平面氣壓、不同層次上的位勢高度場、風場等要素的主觀[5]133,[6]或客觀分型[7-10]。主觀分型受預報員的主觀判斷影響，具有一定的局限性；客觀分型是通過對物理量矩陣的計算實現樣本集合的聚類分類，分型結果更為穩定、客觀。許建明等[11]采用T-mode主成分分析法(PCA)研究上海地區PM2.5污染時將天氣形勢分為9類，指出冷鋒、高壓前部弱氣壓場，高壓后部弱氣壓場對上海秋冬季PM2.5環境質量影響最為顯著；ZHANG等[12]利用Kirchhofer方法對華北地區850 hPa高度場的天氣形勢進行客觀分型，發現靜穩的天氣形勢有利于污染物的積聚，同時偏西和偏南風會形成較強的污染傳輸，加重華北東部與北部的大氣污染；DENG等[13]研究廈門地區黑碳時空變化時對天氣形勢進行半主觀(主觀+客觀)分型，結果顯示，高濃度黑碳往往與高壓控制的反氣旋環流有關。這些研究均揭示了天氣形勢與區域污染物濃度存在十分密切的關系。

江蘇北部城市群——徐州、連云港、淮安、宿遷(以下簡稱“蘇北四市”)位于長三角空氣重污染區北部。蘇北四市首要污染物均為PM2.5，并且PM2.5濃度季節變化表現為“冬高夏低”[14-17]。目前，關于該地區大氣污染與天氣形勢關系的案例研究較多，但缺乏基于大樣本數據的天氣形勢客觀分型研究。因此，本研究以蘇北四市為研究對象，利用PCA與K均值聚類的客觀分型方法對2015—2019年污染多發的冬季海平面氣壓場進行分型，分析不同天氣形勢下氣象要素特征和PM2.5濃度變化，旨在完善中國東部沿海地區氣象場與污染濃度關系的研究，有助于該地區開展大氣污染預測工作。

1 資料與方法

1.1 數據資料

再分析資料為歐洲中期數值預報中心(ECMWF)2015—2019年的ERA5海平面氣壓場數據，采集空間20°N～50°N、100°E～130°E，空間分辨率為0.25°×0.25°；氣象資料為2015—2019年Micaps第一類地面全要素數據，數據來自中國氣象數據網(http://data.cma.cn)，選取的氣象要素分別為溫度、相對濕度、風速、風向，時間分辨率為3 h；大氣污染物濃度資料來自于中國空氣質量歷史數據網站(http://beijingair.sinaapp.com/)2015—2019年的PM2.5逐時質量濃度數據。

1.2 分型方法

首先處理再分析資料的海平面格點數據，將每日8：00海平面氣壓場的二維數據(緯度×經度)轉換為一維數組(格點)，根據時間序列構成二維矩陣(時間×格點)；通過PCA在矩陣數據中提取4個主成分，累計方差貢獻率達到84.5%；對主成分數據進行K均值聚類，依據輪廓系數的極大值判定當聚類數為7時聚類效果最好，因此將海平面環流天氣形勢分為7類。

1.3 PM2.5污染等級定義

根據《環境空氣質量指數(AQI)技術規定(試行)》(HJ 633—2012)[18]，將地面PM2.5濃度劃分為6個等級，劃分標準見表1。

表1 PM2.5污染等級劃分標準Table 1 Standard for classification of PM2.5 pollution levels

2 結果與分析

2.1 天氣形勢分型

根據2015—2019年冬季(12月至次年2月)每日8：00的海平面氣壓場數據(共451個樣本)，結合PCA與K均值聚類的客觀分型方法將天氣形勢分為7類，不同天氣形勢下的海平面氣壓場見圖1。

類型1為冷鋒前部型，出現概率為5.5%。在該天氣形勢下，蘇北四市處于冷鋒前部，在內蒙古附近存在一個冷高壓中心，高壓中心最大值為1 049.6 hPa，氣壓梯度大，蘇北地區地面平均風速2.3 m/s，風向以偏北風、偏西北風為主，相對濕度(54.9%)明顯低于其他幾種天氣形勢，平均溫度最低(-1.6 ℃)。

類型2為弱高壓環流型，出現概率為17.5%。該天氣形勢在西伯利亞存在一個高壓中心，強度弱于類型1，蘇北四市處于較弱的高壓環流之下，氣壓梯度小，平均風速為2.4 m/s，風向以偏東北風為主，無明顯冷空氣過程或冷空氣較弱，相對濕度(75.9%)為7種天氣形勢中最高，平均溫度4.3 ℃。

類型3為高壓底部型，出現概率為13.7%。該天氣形勢在西伯利亞地區存在一個冷高壓中心，強度介于類型1與類型2之間，蘇北四市處于較強的氣壓梯度之下，地面風速最大，平均風速2.6 m/s，主導風向為北東北風，相對濕度73.0%，平均溫度1.2 ℃。

類型4為高壓前部型，出現概率為14.0%。在該天氣形勢下，蘇北四市處于內蒙古高壓弱環流的東側，氣壓梯度較弱，地面主導風向以偏西北風為主，相對濕度(60.1%)較低，僅高于類型1。

注：圖中黑色方框為蘇北四市所在區域。圖1 2015—2019年研究區冬季海平面氣壓場天氣形勢分型Fig.1 Synoptic patterns of sea level pressure in study area during winter from 2015 to 2019

類型5為低壓均壓場型，出現概率為13.3%。在該天氣形勢下，華北華中均受低壓均壓場控制，蘇北四市氣壓(1 019～1 022 hPa)低于其他形勢場，地面平均風速(2.1 m/s)較前幾種分型小，風向以偏東風為主，相對濕度(74.4%)僅次于類型2，平均溫度(6.1 ℃)為所有天氣形勢中最高。

類型6為高壓均壓場型，出現概率為19.7%。在該天氣形勢下，江浙地區存在小范圍的弱高壓中心，地面風速小，平均風速1.7 m/s，主導風向為偏南風以及偏東風，相對濕度平均值為66.8%。

類型7為高壓環流型，出現概率為16.2%。在該天氣形勢下，中國北部大部分城市在冷高壓控制之下，蘇北四市位于高壓區域的底端，地面風速最小，均值為1.6 m/s，無明顯的主導風向，平均相對濕度61.0%，平均溫度1.3 ℃。

2.2 天氣形勢與PM2.5污染關系

圖2為7種天氣形勢下蘇北四市PM2.5日均質量濃度的統計箱線圖。在不同天氣形勢下蘇北四市污染物濃度變化特征基本相似，總體看來，在類型2、5、6下PM2.5日均濃度平均值相對較高，其中連云港、宿遷在類型6下PM2.5日均質量濃度平均值最高，分別為75.1、98.1 μg/m3；徐州、淮安在類型5下PM2.5日均質量濃度平均值最高，分別為119.9、91.4 μg/m3。在類型1、3、7下，PM2.5日均濃度平均值都相對較低，除徐州在類型3、7下外，其他城市在這3種天氣形勢下的PM2.5日均質量濃度平均值均未超過75 μg/m3。

圖2 蘇北四市7種天氣形勢下PM2.5日均質量濃度分布特征Fig.2 Distribution characteristics of PM2.5 daily mean mass concentration in seven synoptic patterns for four cities of Northern Jiangsu

表2為各天氣形勢下不同PM2.5污染等級出現的頻率。總體看來，在類型2、5、6下，蘇北四市發生輕度及以上污染的頻率最高，除了臨海的連云港外，其他3個城市發生輕度及以上污染的頻率都達到55%以上；在類型1、3中，蘇北四市發生輕度及以上污染的頻率都要低于其他幾種天氣形勢，除了整體污染水平相對較高的徐州，其他3個城市發生輕度及以上污染的頻率均不超過40%。

表2 7種天氣形勢下PM2.5污染等級出現頻率Table 2 The frequency of different PM2.5 pollution levels in seven synoptic patterns %

為進一步說明天氣形勢對PM2.5的影響，計算了蘇北四市不同天氣形勢下污染物濃度與全部樣本均值的距平。距平為正，說明該天氣形勢有利于PM2.5濃度增加，污染加重；距平為負，表明該天氣形勢下有利于PM2.5濃度減小，污染減輕。由表3可知，在類型2、5、6下，蘇北四市PM2.5日均質量濃度距平都為正，其中類型5、6最為明顯，其中距平最大值出現在徐州類型5下，為21.1 μg/m3。在類型1、3、7下，蘇北四市PM2.5日均質量濃度距平都為負。

表3 7種天氣形勢下蘇北四市PM2.5日均質量濃度距平Table 3 The anomalies of PM2.5 mass concentration in seven synoptic patterns for four cities of Northern Jiangsu μg/m3

距平最小值出現在徐州類型1下，為-25.3 μg/m3。類型4下PM2.5日均濃度變化總體不明顯。

綜合7種天氣形勢下蘇北四市PM2.5濃度、污染等級出現頻率及PM2.5濃度距平，類型1、3、7可認為是該地區清潔型天氣；類型2、5、6可認為是污染型天氣。

2.3 不同天氣形勢下PM2.5濃度與氣象要素的關系

不同的天氣形勢會影響局地氣象要素時空分布，從而影響PM2.5濃度變化[19-20]。表4為7種天氣形勢下蘇北四市PM2.5日均質量濃度、氣象要素日均值及兩者的相關系數。污染型天氣類型2、5、6下區域PM2.5日均質量濃度分別為89.2、94.1、92.4 μg/m3，而清潔型天氣類型1、3、7下區域PM2.5日均質量濃度分別為61.9、65.2、72.7 μg/m3。除類型1外，其他天氣形勢下風速與PM2.5濃度有顯著的負相關性，較大風速有利于地面污染物的擴散稀釋，因此大風是蘇北四市污染物濃度降低的主要氣象因素。由于受冷高壓控制，類型1、3、7的溫度較其他幾種天氣形勢低，且3種天氣形勢下的氣壓與PM2.5濃度呈顯著的負相關性，說明冷空氣過程會對蘇北四市的污染物有一定的清除作用，這與WANG等[21]在研究天氣形勢對中國東部大氣污染分布的影響中得出的結論一致。在污染型天氣類型2、5、6下，均壓場與弱環流形勢下的水平擴散條件較差，同時相對濕度往往較高(75.9%、74.4%、66.8%)，有利于污染物的吸濕增長及二次顆粒物的形成，從而使得污染物濃度升高；地面平均溫度≥4.0 ℃，較高的溫度也促進了光化學反應的發生，加快了氣粒轉化，因此導致PM2.5濃度增大。戴竹君等[5]140通過主觀分型方法研究江蘇冬季霾時也得出均壓場是促進重度霾發生的天氣形勢之一。

表4 7種天氣類型下的PM2.5日均質量濃度、氣象要素日均值及兩者的相關系數1)Table 4 Averaged value of daily mean PM2.5 mass concentration and meteorological parameters， and their correlation coefficient in the seven synoptic patterns

3 結 論

用PCA與K均值聚類的客觀分型方法將2015—2019年蘇北四市冬季海平面氣壓場天氣形勢分為7種類型，分別為冷鋒前部型、弱高壓環流型、高壓底部型、高壓前部型、低壓均壓場型、高壓均壓場型和高壓環流型。其中，高壓均壓場型出現概率最高(19.7%)，而冷鋒前部型出現概率最低(5.5%)。

在7種天氣形勢中，良好的空氣質量主要出現在冷鋒前部型、高壓底部型和高壓環流型3類與冷高壓密切相關的天氣形勢，屬于清潔型天氣，地面氣象要素表現為低溫、低濕和大風，有利于PM2.5的擴散。而在弱低壓環流型、低壓均壓場型和高壓均壓場型中，PM2.5污染水平較高，屬于污染型天氣，地面氣象要素表現為風速較低，相對濕度較高，有利于污染物的積聚與生成。